Python Numba的最佳可能位阵列

我需要用Python创建一个位数组。到目前为止，我发现使用该模块可以生成非常节省内存的阵列

然而，我的最终目的是使用来自的

@vectorize

装饰器。Numba只使用有限数量的和功能，而bitarray不是其中之一

我的问题是，使用Numba支持的结构创建位数组的最佳内存效率方法是什么

我会选择numpy阵列，但我做了一个快速内存测试，结果不太理想：

>>> import numpy as np
>>> import random
>>> from bitarray import bitarray
>>> from sys import getsizeof
>>> N = 10000

>>> a = bitarray(N)
>>> print(type(a), getsizeof(a))
<class 'bitarray.bitarray'> 96

>>> b = np.random.randint(0, 1, N)
>>> print(type(b), b.nbytes)
<class 'numpy.ndarray'> 40000

>>> c = [random.randint(0, 1) for i in range(N)]
>>> print(type(c), getsizeof(c))
<class 'list'> 87624

>>将numpy作为np导入
>>>随机输入
>>>从bitarray导入bitarray
>>>从sys导入getsizeof
>>>N=10000
>>>a=位数组（N）
>>>打印（类型（a），获取大小（a））
96
>>>b=np.random.randint（0,1,N）
>>>打印（类型（b），b.N字节）
40000
>>>c=[random.randint（0，1）表示范围（N）中的i]
>>>打印（类型（c），尺寸（c））
87624

（更不用说

列表了

）

---

---

编辑：作为一个附带问题，有人知道为什么

getsizeof

为

bitarray

返回如此低的值吗？我刚刚注意到。

您可以简单地指定数据类型：

N=1000
b = np.random.randint(0, 1, N)
print(type(b),getsizeof(b))
<class 'numpy.ndarray'> 4096
c = np.random.randint(0, 1, N, dtype=np.bool)
print(type(b),getsizeof(c))
<class 'numpy.ndarray'> 1096

N=1000
b=np.random.randint（0,1,N）
打印（类型（b），获取大小（b））
4096
c=np.random.randint（0，1，N，dtype=np.bool）
打印（类型（b），尺寸（c））
1096

至于你的附带问题，numpy在numpy对象中构造的比bitarray多得多，所以它在对象的总内存方面效率较低

编辑：

python中对象的内存由对象中实现的所有方法组成，至少它们对代码、属性和项的引用，如

object.size

，它是一个numpy元组，由整数等组成。在列表中，您对方法有多个引用，如

pop

，

delete

，等等。，它由排列在不同节点上的整数组成（列表是经典链表与其他方法相结合的扩展实现，见官方文档）

---

考虑到所有这些因素，最佳实践是使用在管道中运行良好的适当数据结构，并尽可能指定类型。因为您使用的是

numba

，所以numpy似乎最适合您。内存并不总是问题所在。

我想知道这是否完全正确。至少“布尔值表示为字节”（即非位）的状态。我认为在您的示例中，我们看到的差异是

np.int32

和

np.int8

之间的差异。另见。